基于区块链的在线教育方法及在线教育平台技术

本申请涉及一种基于区块链的在线教育方法及在线教育平台，所述方法包括：获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链。本发明专利技术实现提高有效图像增强网络的学习功能，提升在线教学的教学效率。

【技术实现步骤摘要】
基于区块链的在线教育方法及在线教育平台
本申请涉及计算机
，特别是涉及一种基于区块链的在线教育方法及在线教育平台。
技术介绍
在线教育平台，是通过应用信息科技和互联网技术进行内容传播和快速学习的方法。在线教育是电子化的学习、有效率的学习、探索的学习、经验的学习、拓展的学习、延伸的学习、易使用的学习、增强的学习。美国是在线教育的发源地，有60％的企业通过网络的形式进行员工培训。1998年以后，在线教育在世界范围内兴起，从北美、欧洲迅速扩展到亚洲地区。越来越多的国内企业对在线教育表示了浓厚兴趣，并开始实施在线教育解决方案。目前，在线教育的方法多种多样，如在专利文件：基于云端大数据计算的在线教育处理方法及在线教育平台中，公开了不同的在线教育终端设备的小组分组申请所对应的申请类别是不同的，这样能够基于组员申请和组长申请两种申请类别来获取不同在线教育终端设备各自对应的数据。进一步在确定作为组长设备的第二在线教育终端设备不存在爬虫程序的前提下获取第一设备签名密钥和第二设备签名密钥。这样可以在根据第一设备签名密钥和第二设备签名密钥检测出分组线程存在数据窃取风险时中止分组线程的运行。该文件中的技术方案实现了在确保在不同组长设备对应的交互状态下进行分组时，组员设备的隐私数据的安全性。又如申请号为CN201911004743.5的文件中公开了一种基于区块链平台的在线教育管理验证系统，可将在线教育系统账户与区块链数字身份进行绑定；所述在线教育机构将电子版证书颁发给符合条件的用户，并将所述电子版证书存入所述区块链；所述电子版证书及被授予人信息写入所述区块链智能合约。该专利技术提升了在线教育平台颁发证书的可追溯性、不可纂改性、透明性。该专利文件中实现了使在线教育平台颁发证书更具有价值，同时也让证书可以通过自动化的方式进行验证其有效与真实性，容易被人力资源部门接受与认可，提升在线教育平台的价值。但是上述专利中公开的技术方案均存在一些弊端，如在实际线上学习过程中，不可避免会使用到有关学习的图片，对于这些学习类图像，常采用神经网络学习来增强其内部的学习功能，而现有技术中则常不能对这些学习图像数据进行有效处理，进而导致不能有效图像增强网络的学习，影响在线教学的教学效率及在线教育平台的功能。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高有效图像增强网络的学习功能，提升在线教学的教学效率的基于区块链的在线教育方法及在线教育平台。本专利技术技术方案如下：一种基于区块链的在线教育方法，所述方法包括：步骤S100：获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；步骤S200：基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；步骤S300：将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；步骤S400：根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链。具体地，所述学习图像数据集为图像超解析度重建数据集；步骤S200：基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像，具体包括：步骤S210：从所述学习图像数据集的图像中的不同位置随机裁剪出若干张预设大小的图像，并将这些图像组建为图像增容数据集；对所述图像增容数据集中的图像使用双立方插值方法，筛选距离预设像素最近的M个像素点作为运算其在目标图像中的像素的参数，将图像的宽高尺寸缩减至原始尺寸的一半，得到低解析度图像增容数据集；对所述低解析度图像增容数据集中的图像进行归一化处理，然后通过伽玛变换生成非线性的低对比度图像，得到低解析度低对比度图像增容数据集；步骤S220：构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；步骤S230：将待增强的图像输入学习好的图像增强网络的第一卷积层进行卷积运算，获取图像的浅层特征；然后通过残差网络中的跳跃连接，将获取的浅层特征输入到卷积稠密残差模块进行运算，最后一个卷积稠密残差模块输出的特征图，经过第二卷积层卷积运算后，通过残差结构与浅层特征连接，并进行全局残差学习，其中，输出特征图数量是目标放大图像倍数的二次方的整数倍；经过全局残差学习之后，再通过亚像素卷积层对特征图进行上采样，将特征图尺寸增大到目标尺寸，最后经过第三卷积层将特征图输出为增强后的增强学习图像。具体地，所述图像增强网络包括依次连接的第一卷积层、若干个卷积稠密残差模块、第二卷积层、亚像素卷积层以及第三卷积层，各个卷积稠密残差模块进行跨层连接，第一卷积层与第二卷积层具有相同的卷积核数量；其中，所述卷积稠密残差模块又包括卷积层和稠密残差单元，稠密残差单元之前的卷积层用于对输入进行维度的调整；其中，稠密残差单元又包括N个卷积层，在同一稠密残差单元内的任意两个卷积层之间均可直接连接，每一层都从同一稠密残差单元内的所有先前层获取数据；步骤S220：构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；具体包括：步骤S221：累加前几层的特征图，增加特征图的数量，同时将第一层卷积层和最后一层卷积层的输出进行残差连接，所述稠密残差单元中的卷积层包含卷积处理和激活处理，所述激活处理采用抑制其最大值激活函数；步骤S222：除所述亚像素卷积外，所有卷积层在卷积时均对特征图进行边缘补零处理；步骤S223：将低解析度低对比度图像增容数据集中的图像批量输入所述图像增强网络进行学习，直至所述图像增强网络收敛，保存学习好的图像增强网络。具体地，步骤S230中将待增强的图像输入学习好的图像增强网络的第一卷积层基于以下公式进行卷积运算：公式为；其中，f(τ)和g(x-τ)为图像增强网络的第一卷积层中的两个可积函数。具体地，所述方法还包括：步骤S510：在载入不同的网络后，生成在校教育评测界面，所述在校教育评测界面上设有多个评测反馈文件；步骤S520：获取输入至所述评测反馈文件的评测反馈结果，并基于所述评测反馈结果生成评测反馈报告；步骤S530：将所述评测反馈报告发送至预设的报告接收端口，其中，所述报告接收端口为在线测评平台的后台工作人员的信息接收端口。具体地，一种基于区块链的在线教育平台，所述平台包括：图像数据获取模块，用于获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；增强学习模块，用于基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；依序存储模块，用于将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序本文档来自技高网...

【技术保护点】
1.一种基于区块链的在线教育方法，其特征在于，所述方法包括：/n步骤S100：获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；/n步骤S200：基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；/n步骤S300：将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；/n步骤S400：根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链。/n

【技术特征摘要】
1.一种基于区块链的在线教育方法，其特征在于，所述方法包括：
步骤S100：获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；
步骤S200：基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；
步骤S300：将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；
步骤S400：根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链。


2.根据权利要求1所述的基于区块链的在线教育方法，其特征在于，所述学习图像数据集为图像超解析度重建数据集；
步骤S200：基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像，具体包括：
步骤S210：从所述学习图像数据集的图像中的不同位置随机裁剪出若干张预设大小的图像，并将这些图像组建为图像增容数据集；对所述图像增容数据集中的图像使用双立方插值方法，筛选距离预设像素最近的M个像素点作为运算其在目标图像中的像素的参数，将图像的宽高尺寸缩减至原始尺寸的一半，得到低解析度图像增容数据集；对所述低解析度图像增容数据集中的图像进行归一化处理，然后通过伽玛变换生成非线性的低对比度图像，得到低解析度低对比度图像增容数据集；
步骤S220：构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；
步骤S230：将待增强的图像输入学习好的图像增强网络的第一卷积层进行卷积运算，获取图像的浅层特征；然后通过残差网络中的跳跃连接，将获取的浅层特征输入到卷积稠密残差模块进行运算，最后一个卷积稠密残差模块输出的特征图，经过第二卷积层卷积运算后，通过残差结构与浅层特征连接，并进行全局残差学习，其中，输出特征图数量是目标放大图像倍数的二次方的整数倍；经过全局残差学习之后，再通过亚像素卷积层对特征图进行上采样，将特征图尺寸增大到目标尺寸，最后经过第三卷积层将特征图输出为增强后的增强学习图像。


3.根据权利要求2所述的基于区块链的在线教育方法，其特征在于，所述图像增强网络包括依次连接的第一卷积层、若干个卷积稠密残差模块、第二卷积层、亚像素卷积层以及第三卷积层，各个卷积稠密残差模块进行跨层连接，第一卷积层与第二卷积层具有相同的卷积核数量；其中，所述卷积稠密残差模块又包括卷积层和稠密残差单元，稠密残差单元之前的卷积层用于对输入进行维度的调整；其中，稠密残差单元又包括N个卷积层，在同一稠密残差单元内的任意两个卷积层之间均可直接连接，每一层都从同一稠密残差单元内的所有先前层获取数据；
步骤S220：构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；具体包括：
步骤S221：累加前几层的特征图，增加特征图的数量，同时将第一层卷积层和最后一层卷积层的输出进行残差连接，所述稠密残差单元中的卷积层包含卷积处理和激活处理，所述激活处理采用抑制其最大值激活函数；
步骤S222：除所述亚像素卷积外，所有卷积层在卷积时均对特征图进行边缘补零处理；
步骤S223：将低解析度低对比度图像增容数据集中的图像批量输入所述图像增强网络进行学习，直至所述图像增强网络收敛，保存学习好的图像增强网络。


4.根据权利要求2所述的基于区块链的在线教育方法，其特征在于，步骤S230中将待增强的图像输入学习好的图像增强网络的第一卷积层基于以下公式进行卷积运算：
公式为：
其中，f(τ)和g(...

【专利技术属性】
技术研发人员：周朋，
申请(专利权)人：上海球熊电子科技有限公司，
类型：发明
国别省市：上海;31